Mastering Azure Machine Learning: Execute Large-Scale End-to-end Machine Learning with Azure

با استفاده از خدمات یادگیری ماشینی Azure، استقرارهای خود را در کلاسترهای یادگیری ماشینی Azure و سرویس Azure Kubernetes با استفاده از خدمات یادگیری ماشینی Azure اضافه و خودکار کنید

ویژگی‌های کلیدی:

< li>اجرای خطوط لوله یادگیری ماشین سرتاسر در Azure
• آموزش مدل های یادگیری عمیق با استفاده از زیرساخت محاسباتی Azure
• استقرار مدل های یادگیری ماشین با استفاده از MLOps

توضیحات کتاب:

Azure Machine Learning یک سرویس ابری برای تسریع و مدیریت چرخه عمر پروژه یادگیری ماشینی (ML) است که متخصصان ML، دانشمندان داده، و مهندسان می توانند در جریان کار روزانه خود استفاده کنند. این کتاب فرآیند ML سرتاسری را با استفاده از یادگیری ماشین لاجورد مایکروسافت، از جمله آماده‌سازی داده‌ها، انجام و ثبت دوره‌های آموزشی ML، طراحی خطوط لوله آموزشی و استقرار، و مدیریت این خطوط لوله از طریق MLOها را پوشش می‌دهد.

اولین مورد. بخش به شما نشان می دهد که چگونه یک فضای کاری یادگیری ماشین Azure راه اندازی کنید. مجموعه داده های دریافت و نسخه؛ و همچنین این مجموعه داده ها را برای آموزش از قبل پردازش، برچسب گذاری و غنی سازی کنید. در دو بخش بعدی، نحوه غنی‌سازی و آموزش مدل‌های ML برای جاسازی، طبقه‌بندی و رگرسیون را خواهید یافت. شما تکنیک‌های پیشرفته NLP، مدل‌های سنتی ML مانند درختان تقویت‌شده، شبکه‌های عصبی عمیق مدرن، سیستم‌های توصیه‌ای، یادگیری تقویتی، و تکنیک‌های پیچیده آموزش ML توزیع شده را کاوش خواهید کرد - همه با استفاده از یادگیری ماشینی Azure.

بخش آخر. به شما می آموزد که چگونه مدل های آموزش دیده را به عنوان خط لوله دسته ای یا سرویس امتیازدهی بلادرنگ با استفاده از Docker، خوشه های یادگیری ماشینی Azure، خدمات Azure Kubernetes و اهداف استقرار جایگزین مستقر کنید.

تا پایان این کتاب، شما می توانید تمام مراحلی را که با ساختن خط لوله MLOps آموخته اید ترکیب کنید.

آنچه خواهید آموخت:

< li>درک خط لوله ML سرتاسری
• با فضای کاری یادگیری ماشینی Azure آشنا شوید
• مجموعه‌های داده را برای ML با استفاده از ابر Azure مصرف، تجزیه و تحلیل و پیش پردازش کنید
• تکنیک های سنتی و مدرن ML را با استفاده از Azure ML به طور کارآمد آموزش دهید
• استقرار مدل های ML برای امتیازدهی دسته ای و بلادرنگ
• درک قابلیت همکاری مدل با ONNX
• استقرار مدل‌های ML در FPGA و Azure IoT Edge
• با استفاده از Azure DevOps یک خط لوله خودکار MLOps بسازید

این کتاب برای چه کسی است :

این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده و توسعه دهندگان یادگیری ماشینی است که می خواهند از ابر Microsoft Azure برای مدیریت مجموعه داده ها و آزمایش های یادگیری ماشین خود استفاده کنند و یک معماری ML درجه سازمانی با استفاده از MLOps بسازند. این کتاب همچنین به هر کسی که علاقه مند به یادگیری ماشینی است کمک می کند تا مراحل مهم فرآیند ML را کشف کند و از یادگیری ماشینی Azure برای پشتیبانی از آنها استفاده کند، همراه با ساخت برنامه های ابری قدرتمند ML. درک اولیه پایتون و دانش یادگیری ماشین توصیه می شود.

Supercharge and automate your deployments to Azure Machine Learning clusters and Azure Kubernetes Service using Azure Machine Learning services

Key Features:

• Implement end-to-end machine learning pipelines on Azure
• Train deep learning models using Azure compute infrastructure
• Deploy machine learning models using MLOps

Book Description:

Azure Machine Learning is a cloud service for accelerating and managing the machine learning (ML) project life cycle that ML professionals, data scientists, and engineers can use in their day-to-day workflows. This book covers the end-to-end ML process using Microsoft Azure Machine Learning, including data preparation, performing and logging ML training runs, designing training and deployment pipelines, and managing these pipelines via MLOps.

The first section shows you how to set up an Azure Machine Learning workspace; ingest and version datasets; as well as preprocess, label, and enrich these datasets for training. In the next two sections, you'll discover how to enrich and train ML models for embedding, classification, and regression. You'll explore advanced NLP techniques, traditional ML models such as boosted trees, modern deep neural networks, recommendation systems, reinforcement learning, and complex distributed ML training techniques - all using Azure Machine Learning.

The last section will teach you how to deploy the trained models as a batch pipeline or real-time scoring service using Docker, Azure Machine Learning clusters, Azure Kubernetes Services, and alternative deployment targets.

By the end of this book, you'll be able to combine all the steps you've learned by building an MLOps pipeline.

What You Will Learn:

• Understand the end-to-end ML pipeline
• Get to grips with the Azure Machine Learning workspace
• Ingest, analyze, and preprocess datasets for ML using the Azure cloud
• Train traditional and modern ML techniques efficiently using Azure ML
• Deploy ML models for batch and real-time scoring
• Understand model interoperability with ONNX
• Deploy ML models to FPGAs and Azure IoT Edge
• Build an automated MLOps pipeline using Azure DevOps

Who this book is for:

This book is for machine learning engineers, data scientists, and machine learning developers who want to use the Microsoft Azure cloud to manage their datasets and machine learning experiments and build an enterprise-grade ML architecture using MLOps. This book will also help anyone interested in machine learning to explore important steps of the ML process and use Azure Machine Learning to support them, along with building powerful ML cloud applications. A basic understanding of Python and knowledge of machine learning are recommended.